Фото авторов
В статье представлен комплексный подход к оценке карстовой опасности с использованием геоинформационных систем (ГИС) и данных дистанционного зондирования Земли (ДЗЗ). Этот подход позволяет быстро и достоверно оценивать карстовую опасность вдоль проектируемых линейных сооружений на примере Пивоваровского карстового участка во Владимирской области России. Существенным методическим вкладом в решение подобных задач является разработка специализированного инструмента на языке программирования Python для автоматизированного морфометрического анализа карстовых форм, включающего оценку их размеров и ориентации. Данный подход является эффективным решением частных вопросов оценки карстовой опасности, поскольку позволяет быстро обрабатывать большие объемы данных и получать высококачественные результаты, которые могут быть использованы при принятии проектных решений.
Развитие опасных геологических процессов на осваиваемых территориях вызывает определенные сложности при проведении инженерных изысканий. На участках развития карста для обеспечения безопасности эксплуатации зданий и сооружений крайне важна точная оценка карстовой опасности при проведении инженерно-геологических изысканий.
Закарстованные массивы характеризуются широким распространением на их поверхности замкнутых понижений рельефа различного размера [1]. В зависимости от происхождения такие понижения классифицируются как карстовые воронки или провалы.
Карстовая воронка представляет собой замкнутое понижение рельефа в массиве карстующихся пород, нередко выполняющее роль дренажного канала, по которому дождевые и поверхностные воды устремляются вертикально вниз, питая карстовый водоносный горизонт, тогда как термин «карстовый провал» закреплен за обвальной формой, образующейся при обрушении свода подземной полости и вышележащей толщи [2].
Карстовые провалы часто возникают внезапно, что несет значительные экономические, экологические и социальные риски. Ключевая особенность карста заключается в том, что новые провалы появляются вблизи уже существующих, где условия для их образования уже сформировались. Такая закономерность говорит о важности детального изучения поверхностного карста для прогнозирования карстовой опасности.
Сжатые сроки проведения инженерных изысканий часто приводят к неполному пониманию динамики карстового процесса в пределах той или иной площадки будущего строительства. Однако современные методы пространственного анализа с помощью геоинформационных систем (ГИС) в сочетании с доступными данными дистанционного зондирования Земли (ДЗЗ) и широким набором инструментов анализа пространственных данных позволяют исследовать карстовые проявления весьма оперативно и исчерпывающе [3].
Потенциальные возможности ГИС и ДЗЗ выходят далеко за рамки изучения карста и находят важнейшее применение при оценке широкого спектра экологических рисков. Ярким примером этого является борьба с лесными пожарами, где данные технологии незаменимы для моделирования вероятности их возникновения. Как показало исследование охраняемых природных территорий округа Маюрбхандж в Индии, точно определять зоны соответствующего высокого риска позволяет комплексный подход с использованием многокритериальных моделей принятия решений (AHP/FAHP) и таких показателей, как тип растительности, климат, рельеф, буферные зоны дорог и исторические данные о пожарах, полученные со спутника MODIS [4].
Геопространственные технологии доказывают свою универсальность в самых разных сферах изучения окружающей среды. Например, при исследовании подземных вод в индийском штате Пенджаб с использованием данных за 26 лет было выявлено резкое падение уровня грунтовых вод с глубины 3,6 м до глубины 30,7 м, что позволило провести точное зонирование территорий по риску засухи [5].
При моделировании оползневой опасности стандартной практикой сегодня считается использование передовых методов статистики и машинного обучения, включая метод соотношения частот, применение логистической регрессии и искусственных нейронных сетей (Artificial Neural Networks). Для эффективного выявления зон высокого оползневого риска на основе таких критических факторов, как геологическое строение, крутизна и экспозиция склона, в этих методах используется геопространственная информация, в том числе цифровые модели рельефа, результаты изучения литологических особенностей и данные по землепользованию [6].
Это иллюстрирует пример оценки оползневого риска в индийских округах Лахул и Спити с применением нескольких моделей машинного обучения [7]. В данном случае наиболее эффективным оказался алгоритм «случайный лес» (Random Forest), показатель качества предсказаний которого AUC (площадь под кривой ошибок, то есть ROC-кривой) составил 0,954. Были выявлены зоны высокого риска, обусловленные преимущественно крутизной склонов и близостью к рекам, что обеспечило получение критически важных данных для защиты инфраструктуры.
Еще одно исследование оползневой опасности в долине Спити в Индии [8–10] показало, что передовые методы машинного обучения и новые методики составления обучающей выборки (путем выделения безопасных точек в буферных зонах и с учетом крутизны склонов – Buffer Zone Safe Points, Slope Buffer Safe Points соответственно) позволяют повысить точность картирования оползневой опасности и надежность прогнозов в зонах высокого риска. Были построены детальные карты зонирования территорий по оползневой опасности с помощью трех современных методов машинного обучения с целью всестороннего сравнения прогностической способности соответствующих моделей. Использовались такие алгоритмы, как экстремальный градиентный бустинг (XGBoost), «случайный лес» (RF) и K ближайших соседей (KNN).
Следующий примечательный пример – картирование оползневой опасности в Гималаях [11], где модели соотношения частот (Frequency Ratio) и оценки ценности информации (Information Value) обеспечили высокую прогностическую точность (AUC≈0,84). Исследование, результаты которого были верифицированы на основе данных по более чем 1000 оползневых событий, позволило успешно разделить изучаемую территорию на пять зон, характеризующихся различными категориями риска. Это продемонстрировало практическую ценность геопространственного анализа для защиты инфраструктуры и обеспечения готовности к стихийным бедствиям в горных районах.
В качестве еще одного яркого примера универсальной применимости технологий цифрового анализа геопространственных данных можно привести управление качеством городского атмосферного воздуха. В исследовании, проведенном в городе Дели в 2018–2023 годах [12], использовалась интерполяция методом кригинга в среде ГИС и статистический анализ для моделирования пространственно-временной динамики изменений концентрации основных загрязняющих веществ. Это позволило эффективно количественно оценить резкое снижение их содержания в воздухе во время локдауна, введенного из-за пандемии коронавирусной инфекции (COVID-19). Такой подход позволил с высокой точностью визуализировать распределение загрязнений, что напрямую связало источники выбросов с их влиянием на качество воздуха и заложило доказательную базу для разработки политики в сфере охраны здоровья населения. Эффективность применения этой методики в условиях сложной городской среды подчеркивает важнейшую закономерность: интеграция методов пространственной интерполяции, анализа временных рядов и статистической валидации в среде ГИС позволяет создать мощную универсальную модель для экологического мониторинга. Таким образом, можно сделать вывод о том, что передовая геопространственная аналитика (будь то исследования лесных пожаров, оползней, карста или загрязнений атмосферы) представляет собой единый и незаменимый комплекс современных инструментов оценки рисков для окружающей среды, необходимых для устойчивого планирования территорий.
Настоящая статья посвящена важным аспектам совершенствования исследований поверхностного карста на территориях проектируемого строительства линейных сооружений. Основная цель данной работы – автоматизация анализа карстопроявлений для повышения точности оценки карстовой опасности и оптимизации времени ее выполнения. Авторами решается задача применения данных ДЗЗ и современных инструментов пространственного анализа, включая автоматизированные процедуры в среде ГИС, разработанные на языке программирования Python, что позволяет повысить качество и эффективность карстологических исследований. Такой комплексный подход позволяет быстро и точно проводить анализ проявлений карста, выполнять морфометрические измерения карстовых форм и соответствующее зонирование территорий. Это может послужить основой для стратегического планирования и снижения рисков при реализации проектов строительства на карстоопасных территориях.
Представленное исследование сосредоточено на так называемом Пивоваровском карстовом участке во Владимирской области России. Данная территория отличается значительным развитием отрицательных карстовых форм рельефа. Эти проявления в свое время были тщательно задокументированы в ходе полевых исследований. Такая предварительная валидация позволила выполнить надежную оценку эффективности предлагаемой методики, дав возможность напрямую сравнить результаты цифрового анализа данных с результатами полевых измерений.
Традиционная методика оценки поверхностного карста обычно включает выявление и картирование карстовых форм по спутниковым изображениям с последующим составлением их подробного каталога. Такой каталог содержит параметры каждой соответствующей формы рельефа, включая ее пространственное положение, размеры (длину, ширину, площадь, радиус, глубину), временные изменения (при наличии данных мониторинга), дату образования (если она известна) и другие показатели, важные для целей исследования. Картирование и оцифровка информации о карстовых формах по панхроматическим (черно-белым) и мультиспектральным (цветным) космическим снимкам до сих пор выполняются преимущественно вручную [13].
Для обнаружения карстовых форм устоявшейся практикой является использование данных дистанционного зондирования Земли. Например, в одной из работ [14] был составлен каталог поверхностных карстопроявлений на основе данных ДЗЗ для территории площадью более 5 млн га. В ходе этого исследования на участке Центрально-Анатолийского плоскогорья в Турции было обнаружено 398 потенциальных форм поверхностного карста. Процесс их выявления включал использование спутниковых изображений высокого разрешения, аэрофотоснимков и цифровой модели рельефа (ЦМР). Еще 100 карстовых форм были задокументированы на основе архивных материалов и опубликованной литературы. Расположение и геометрия этих форм были впоследствии верифицированы с помощью глобальных навигационных спутниковых систем (GPS) и электронных тахеометров, что позволило подтвердить наличие на исследуемой территории 283 карстовых форм. Весьма ценным дополнением к методике исследования стала разработка специального приложения для подтверждения наличия и параметров карстовых форм, выявленных по космическим снимкам, в полевых условиях.
Применение данных ДЗЗ при исследованиях карста уже давно вышло за рамки классического анализа спутниковых изображений. В настоящее время для выявления локальных понижений повсеместно применяют цифровые модели рельефа, что позволяет осуществлять полуавтоматизированное дешифрирование спутниковых снимков в среде ГИС. Использование ЦМР оказалось особенно ценным при изучении закарстованных территорий, где подземные и поверхностные воды тесно связаны между собой в силу особых гидрологических и геоморфологических условий. Исследование этой взаимосвязи было положено в основу создания карт уязвимости водоносных горизонтов ЦМР и изучения закономерностей распространения поверхностного карста. Кроме того, цифровые модели рельефа предоставляют критически важные данные для гидрологического моделирования поверхностного стока и питания подземных вод [15], выделения зон санитарной охраны скважин и родников [17], а также для моделирования путей миграции загрязнений [18, 19]. Важным методологическим достижением стала корректировка ЦМР с учетом гидрологических условий, что позволяет исследователям выявлять отрицательные замкнутые округлые формы рельефа, а именно бессточные понижения, возникшие в результате развития карстовых процессов [19–21].
На основе этих результатов рядом авторов были предложены полуавтоматизированные методы обнаружения карстовых форм с использованием цифровых моделей рельефа, полученных с помощью съемки интерферометрическими радиолокаторами с синтезированной апертурой (InSAR, или IFSAR). Такие подходы, как правило, задействуют в том числе методы гидрологического моделирования (алгоритмы выделения водосборных бассейнов и заполнения локальных понижений) для выявления замкнутых впадин и измерения глубины отрицательных карстовых форм рельефа. Затем обнаруженные локальные понижения классифицируют и подтверждают с использованием дополнительных источников информации, таких как гиперспектральные снимки, представленные на сервисе Google Earth Engine, и современные ЦМР [22].
В последние годы наметился значительный прогресс в разработке методов автоматизированного обнаружения различных типов карстовых форм с использованием множества видов цифровых моделей рельефа. Результаты исследований показывают, что для автоматизированного выявления карстовых воронок и провалов особенно эффективно использование данных воздушного лазерного сканирования (полученных с помощью лидара, LiDAR) благодаря высокому пространственному разрешению такой съемки и ее способности проникать сквозь растительный покров [22–25].
Для оптимизации процесса ручной оцифровки (векторизации) замкнутых понижений рельефа по ЦМР зарубежные исследователи применили метод визуализации RRIM (Red Relief Image Map – метод «красного» изображения рельефа на карте). Интеграция трех топографических параметров – крутизны склонов, положительной и отрицательной открытости рельефа – позволяет отчетливо выделять локальные повышения и локальные понижения соответственно. Исходные данные, предоставленные Главным картографическим управлением Турции, включали в себя аэрофотоснимки, спутниковые изображения, топографическую карту с шагом горизонталей 10 м и ЦМР с пространственным разрешением 5 м. Слои положительной и отрицательной открытости рельефа были обработаны в ГИС SAGA и затем использованы для расчета индекса «гребней и тальвегов» (RVI – Ridge and Valley Index). Конечный продукт визуализации методом RRIM был сформирован путем совмещения величин этого индекса с данными о крутизне склонов, при этом выпуклые и вогнутые элементы рельефа отображаются как локальные повышения и понижения соответственно. Данная методика существенно облегчает ручное выявление карстовых форм за счет цветового отображения склонов и четкого выделения границ этих форм [26].
Аналогичный подход был применен к цифровым моделям рельефа на основе воздушного лазерного сканирования (LiDAR) в Австрии [27]. Несмотря на то, что основное внимание уделялось визуализации ЦМР для картирования археологических объектов, в работе [27] подчеркивается эффективность использования этого подхода для разграничения элементов рельефа, в том числе локальных повышений и понижений.
В дополнение к ручной оцифровке отрицательных карстовых форм рельефа, выделение таких проявлений можно улучшить с помощью косвенных показателей. Например, доказана эффективность использования спектральных вегетационных индексов, особенно при учете характерного кустарникового покрова, который обычно встречается на склонах и на дне карстопроявлений [28].
Полученный набор карстовых форм используется в качестве основы для проведения различных видов пространственного анализа, в том числе зонирования территорий на основе плотности распределения этих форм на единицу площади, а также построения гистограмм распределения их диаметров или показателей окружающей среды вблизи карстовых форм. Указанные виды анализа имеют решающее значение для разработки и проверки достоверности прогнозных карстологических моделей [29, 30]. Подходящим примером здесь является создание карты карстовой опасности на основе данных о подземном карсте в сочетании с мощностью и литологическим составом грунтов, перекрывающих закарстованные породы [31]. Исследуемая территория была разделена на участки по трем классам опасности. Последующая валидация этих результатов по известным местам расположения карстовых форм показала их отсутствие на участках с низким классом карстовой опасности, что подтвердило точность критериев выполненного зонирования.
Таким образом, практическая польза картирования форм поверхностного карста заключается в его двойной эффективности – как для оценки карстовой опасности, так и для зонирования территорий по условиям окружающей среды (с выделением наиболее благоприятных для развития карста). Изучение поверхностной закарстованности заслуживает особого внимания в том числе и потому, что карстовые формы часто служат прямыми каналами для проникновения загрязняющих веществ в подземные водоносные горизонты [19].
Измерение размеров карстовых форм рельефа может выполняться с помощью различных методик, включая ручные, полуавтоматизированные и автоматизированные.
Популярные картографические сервисы, такие как «Яндекс Карты», 2GIS и Google Maps, предоставляют доступ к спутниковым снимкам высокого разрешения со встроенными инструментами для измерения расстояний на поверхности. Было установлено, что эти платформы подходят для предварительного анализа карстовых форм рельефа, позволяя определять их горизонтальные размеры, взаимное расположение и удаленность от интересующих объектов. Данные инструменты имеют два основных преимущества: во-первых, доступ к ним возможен без необходимости установки дополнительного программного обеспечения, а во-вторых, они совместимы с мобильными устройствами. Однако они не лишены и недостатков, среди которых отсутствие встроенных таблиц для сохранения результатов, невозможность проведения статистического анализа и непрактичность при измерениях в пределах больших площадей. Но, например, сервис Google Earth Pro предлагает расширенные функциональные возможности, позволяя просматривать изображения с высоким разрешением, вручную выделять карстовые формы и сохранять результаты оцифровки в векторных форматах (например, в KMZ) для последующего определения размеров в ГИС.
В данный подход входит поэтапное использование стандартного программного обеспечения (ПО) геоинформационных систем (например, QGIS, ArcMap, NextGIS) для создания, редактирования и визуализации геопространственной информации. Это ПО предоставляет широкие инструменты для обработки как векторных, так и растровых данных.
Рассматриваемый метод включает в себя построение минимальной ограничивающей геометрической фигуры, длинная ось (длина) которой соответствует максимальному диаметру карстопроявления, а короткая ось (ширина) – минимальному. Это обычно прямоугольник со вписанной в него фигурой круглой (округлой) или эллиптической (эллипсовидной, овальной) формы, отражающей очертания карстовой формы. Хотя этот метод эффективен для быстрого измерения размеров множества локальных понижений, ему не хватает высокой точности, поскольку ориентация минимального ограничивающего прямоугольника может не совпадать с главной осью карстопроявления, особенно если оно неправильной формы. Тем не менее направление средней линии такого прямоугольника может служить индикатором пространственной ориентации впадины. Рассматриваемый метод успешно устраняет ограничения ручных подходов. Он эффективно применялся, например, при измерении размеров замкнутых понижений рельефа различного происхождения на равнине Арагуая в Бразилии [32].
В среде ГИС ряд аналитических этапов можно объединить в цепочку команд с помощью конструктора моделей (Model Builder), что позволит полностью выполнять их с различными входными наборами данных. Независимо от сложности или количества этапов, такая модель будет функционировать как единый алгоритм, что сэкономит время и усилия, сведя к минимуму ошибки, возникающие из-за периодического вмешательства человека. Следовательно, поэтапное построение ограничивающих геометрических фигур и расчеты параметров можно объединить в один инструмент. От пользователя потребуется лишь предоставить входные векторные данные по карстовым формам, а взамен он получит выходные данные со значениями диаметров для ограничивающих фигур круглой формы или с величинами большой и малой осей для фигур эллиптической формы. Рассматриваемый процесс предназначен для оптимизации всей процедуры измерений в целом.
Представленное в данной статье исследование было сосредоточено на Пивоваровском карстовом участке, расположенном во Владимирской области России. Несмотря на значительную глубину залегания кровли карстующихся пород, карстовый процесс на этом участке активен и сопровождается образованием на поверхности отрицательных форм рельефа различных размеров.
Изучаемая территория характеризуется карстом покрытого сульфатно-карбонатного типа.
Один из самых крупных задокументированных карстовых провалов возник на этой территории в 1959 году на северо-восточной стороне древнего карстопроявления. Первоначальный диаметр провала составлял 18 м (рис. 1). С тех пор он увеличился до 75 м, а глубина образования достигла 22 м [33]. Активизация карстового процесса на периферии указанной древней формы наблюдалась также в 2016 году (рис. 2).
В ноябре 2015 года примерно в 1,5 км к северо-западу от вышеописанных форм образовался еще один провал, который увеличился в 2016 году (рис. 3). Его размеры в плане составляют 18,0×22,4 м, а глубина – 20 м. Он имеет крутые бессточные склоны, на которых обнажаются глины уржумского яруса биармийского отдела пермской системы.
Рис. 1. Архивное изображение карстового провала, возникшего в 1959 году на северо-восточной стороне древнего карстопроявления [33]
Рис. 2. Провал, возникший в 2016 году в результате активизации карстовых процессов на периферии древнего карстопроявления
Рис. 3. Карстовый провал, зафиксированный в 2015 году (а) и типичный геологический разрез участка (б)
Исследуемая территория расположена в малонаселенной местности, поэтому широкое распространение в ее пределах форм поверхностного карста сопряжено с ограниченными социальными или экономическими рисками. Тем не менее эти карстопроявления создают значительные трудности для дальнейшего экономического развития района. Например, возникает необходимость прокладывания трасс линейных сооружений в обход карстовых зон.
В структурно-тектоническом отношении исследуемая территория расположена в пределах Окско-Цнинского вала, относящегося к тектоническим структурам четвертого порядка и характеризующегося слабоволнистым рельефом. Коренные породы вала перекрыты ледниковыми отложениями днепровского оледенения, которые впоследствии были модифицированы денудационными процессами, связанными с деятельностью реки Суворощь и ее притоков, в том числе реки Суходол.
Геологическое строение территории включает четвертичные, триасовые и пермские отложения. Пермская система представлена слоями гипса, ангидрита, известняка и доломита с прослоями глин и алевролитов, падающими в северо-восточном направлении. Растворимые породы перекрыты триасовыми терригенными отложениями, широко распространенными в северо-восточной части. Верхняя часть геологического разреза сложена четвертичными отложениями преимущественно флювиогляциального, ледникового и аллювиального происхождения, реже – болотными отложениями, представленными главным образом песками, суглинками и торфами.
Карстовый процесс в данном районе развит в пермских сульфатных отложениях. Чаще всего он проявляется в виде провалов, которые возникают при внезапном гравитационном обрушении перекрывающих терригенных отложений внутрь полостей в пермских гипсах. Реже встречаются оседания и суффозионные воронки.
Морфометрический анализ позволил выявить четкие различия характеристик карстовых форм в зависимости от их типа и возраста. Древние карстовые воронки имеют диаметр от 5,1 до 97,4 м (в среднем 25,5 м) при глубине 1–15 м, тогда как диаметр молодых воронок составляет 2,5–61,5 м (в среднем 18,9 м) при глубине 0,5–20 м. Понижения из-за оседаний характеризуются меньшими размерами: диаметр древних форм варьирует от 2,5 до 60,1 м (в среднем составляя 14,2 м) при глубине 0,2–4,5 м; диаметр молодых форм попадает в диапазон 2,5–12 м (в среднем составляя 4,6 м) при глубине 0,5–3 м. Суффузионные воронки и провалы, встречающиеся реже, представляют собой замкнутые понижения диаметром от полуметра до нескольких метров.
Векторный набор данных о карстопроявлениях был составлен на основе различных источников. Выявлению и картированию данных форм способствовало использование спутниковых снимков высокого разрешения, дополненное анализом мультиспектральных данных. Полезным инструментом для обнаружения косвенных показателей распределения этих объектов послужили спектральные индексы. Набор геоданных был расширен за счет включения архивных материалов и результатов полевых карстологических исследований.
Основы количественной оценки карста были заложены в 1980-х годах, когда В.В. Толмачев предложил статистический метод оценки карстового риска при инженерных изысканиях для строительства. В данном подходе используется закон распределения Пуассона для расчета вероятности образования определенного количества карстовых провалов за фиксированный промежуток времени. В его основе лежит допущение, что такие события происходят с известной постоянной частотой и независимо друг от друга. Ключевым параметром в этой модели является интенсивность провалообразования, которая определяет количество карстовых провалов и воронок на единицу площади, возникших за 100 лет. В.В. Толмачевподчеркивал, что при использовании данного статистического метода необходимо учитывать срок службы инженерных сооружений [34, 35]. Общепринятый срок службы таких объектов – 100 лет.
С.Г. Гордиенко и Ю.Ю. Савельева усовершенствовали этот подход, использовав результаты долговременного мониторинга [36]. З.В. Селина и Т.Г. Ковалева применили данный метод для прогнозирования вероятности образования карстовых провалов [37].
Количественная оценка карстовой опасности обычно основана на таких показателях, как плотность распределения карстовых воронок и провалов и коэффициент поверхностной закарстованности территории [38]. Расчет этих параметров, необходимых для проектирования, требует точных данных о количестве и размерах карстовых форм в пределах исследуемого участка.
Наиболее простым методом визуализации пространственного распределения карстовых форм является создание карты плотности, отражающей их количество на единицу площади. В процессе исследования, представленного в данной статье, такая карта была построена с использованием инструмента «плотность ядер» (Kernel Density) в программе ArcMap 10 (рис. 4). Данным методом, который в литературе иногда классифицируют как полуколичественный (или гибридный) [39], рассчитывается плотность точек для каждой ячейки выходного растра в пределах заданного радиуса поиска (фактически реализуется алгоритм скользящего окна). Альтернативная методика включает наложение сетки заданного размера на исследуемый участок, подсчет количества карстопроявлений в каждой ячейке сетки, интерполяцию данных между центроидами ячеек и их нормализацию по площади каждой ячейки с получением непрерывной карты распределения плотности карстовых форм.
Рис. 4. Карта плотности распределения карстовых форм
Зонирование территорий проектируемого строительства линейных сооружений в карстовых районах можно разделить на два основных типа. Первый основан на пространственной связи между инженерным объектом и существующими карстовыми формами и носит название «автоматизированное зонирование по степени близости к карстовым формам».
Второй тип связан с условиями окружающей среды, влияющими на развитие карстового процесса на исследуемой территории. Он позволяет выделять условно однородные участки, на которых карстовая активность проявляется равномерно и формы карста образуются по схожим механизмам. Этот подход носит название «автоматизированное зонирование на основе условий окружающей среды».
Автоматизированное зонирование по степени близости к карстовым формам
Анализ исторических данных указывает на тенденцию к группированию отрицательных карстовых форм рельефа на определенных участках, называемых карстовыми полями. Кроме того, было показано, что плотность распределения новых карстопроявлений снижается с увеличением расстояния от ранее возникших форм [40]. Этот принцип использовался российскими учеными для прогнозирования карстовой опасности на территориях, прилегающих к известным проявлениям [41], и в свое время был включен в нормативные документы [42].
Такая оценка на основе расстояния выполняется с использованием буферных зон заданных размеров, строящихся от краев или центроидов карстовых форм. Радиусы буферных зон обычно устанавливаются кратными шагу сетки пространственного анализа, определяемому масштабом картирования.
В данном исследовании использовался специализированный ГИС-инструмент, разработанный в программе ArcMap 10 для зонирования территорий вдоль проектируемых линейных сооружений на основе рассматриваемой методики оценки по удаленности карстопроявлений. Этот инструмент применяется для построения буферных зон от краев карстовых форм, что позволяет соответствующим образом зонировать коридор будущего линейного объекта. Результатом является выделение участков трассы различных категорий, характеризующихся разной степенью карстовой опасности (рис. 5).
Рис. 5. Карта зонирования трассы проектируемого линейного сооружения по степени близости к карстовым формам
Категории участков по степени карстовой опасности были приняты в соответствии с классическими рекомендациями Саваренского [40]. К первой категории относятся участки, на которых трасса проектируемого сооружения непосредственно пересекает формы поверхностного карста. Вторая категория охватывает зоны на расстояниях 0–20 м от карстопроявлений, что соответствует минимальному диаметру форм самой высокой опасности [42]. Третья категория – на расстояниях от 20 до 50 м. Четвертая – от 50 до 100 м. Пятая – 100 м и более (см. рис. 5).
Применение рассматриваемого метода зонирования показало, что преобладающая часть проектируемой трассы попадает в пятую категорию с относительно низкой предрасположенностью к образованию новых карстовых форм. А зоны, относящиеся к категориям с четвертой по вторую, характеризуются значительно более высокой опасностью, о чем свидетельствует частое появление новых форм в пределах карстовых полей или в непосредственной близости от них (это объясняется благоприятными условиями для карстообразования в данных зонах: существующие карстовые формы облегчают доступ поверхностных вод к карстующимся породам, еще сильнее активизируя развитие карста).
Разделение трассы линейного сооружения на участки по всем этим категориям подробно представлено в таблице 1.
Таблица 1. Распределение участков трассы линейного сооружения по категориям на основе степени удаленности от карстовых проявлений
Совместное использование пространственного анализа и средств автоматизации позволяет оперативно выполнять зонирование территорий по карстовой опасности, сводя к минимуму ошибки, характерные для ручных методов. Кроме того, дешифрирование данных ДЗЗ или анализ архивных материалов на этапе проектирования дают возможность провести предварительную оценку карстовой опасности, что имеет решающее значение для возможного внесения изменений в проект.
Автоматизированное зонирование на основе условий окружающей среды
Обязательное условие для крупных проектов линейных сооружений – точная и полная оценка карстовой опасности с учетом естественной неоднородности карстовых массивов.
Выделение относительно однородных зон основывается на условиях окружающей среды, где ключевыми факторами, влияющими на развитие карста, являются геоморфологические особенности и геологическое строение [43]. Такой подход позволяет однозначно определить преобладающие механизмы образования карстовых форм в пределах каждой выделенной зоны.
Успешный опыт зонирования территорий по карстовой опасности на основе факторов окружающей среды отмечен многими учеными. В качестве примера можно привести использование алгоритмов машинного обучения для построения карты карстовой опасности северной части китайской провинции Гуанси (ныне Гуанси-Чжуанского автономного района) с учетом множества геоморфологических и геологических факторов [44]. Аналогичным образом с помощью метода анализа иерархий и метода оценки интегрального показателя (AHP-CIM) была разработана карта опасности для города Ухань с учетом характеристик карста, свойств грунтов, перекрывающих закарстованные породы, и гидродинамических условий [45]. Схожие методические подходы эффективно применяются и при оценке других геологических опасностей, например оползневой, когда пространственное распределение предрасположенности к оползням определяется особым сочетанием природных факторов [46].
Концептуальная основа разработанной авторами методики карстологического зонирования опирается на теоретические положения инженерно-геологического районирования, сформировавшиеся в России в середине XX века. Общепринятая классификация выделяет три типа районирования: региональное, типологическое и смешанное. Концепция регионального районирования предполагает использование иерархических таксономических единиц, которые подразделяются на регионы, районы и участки. Эти единицы выделяются по структурно-тектоническим критериям и характеризуются однородностью геологического строения и интенсивностью развития экзогенных процессов соответственно [47]. В основе типологического районирования лежит выделение характерных условий по преобладающим инженерно-геологическим особенностям. Смешанное районирование сочетает в себе элементы обоих подходов [48].
Классификация закарстованных территорий представляет собой особый тип геологического зонирования, который выходит за рамки традиционных классификационных схем. Исследование, представленное в настоящей статье, в наибольшей степени опиралось на сравнительно-оценочный подход, но при этом сочетало в себе элементы как регионального, так и типологического зонирования. Это особое направление специально адаптировано для определения степени карстовой опасности [49].
Авторами было выполнено многофакторное зонирование с учетом:
В соответствии с изложенными выше методическими принципами было выполнено последовательное иерархическое зонирование исследуемой территории в ArcMap 10 – приложении в составе пакета геоинформационных программ Esri ArcGIS. Принятая система классификации имела три уровня:
Такая многоуровневая система зонирования позволила выполнить комплексную оценку карстовой опасности в различных пространственных масштабах, сохранив при этом согласованность с теоретическими основами инженерно-геологического районирования.
При этом факторы окружающей среды применялись не для оценки карстовой опасности напрямую, а для выделения квазиоднородных участков, оценка этой опасности в пределах которых выполнялась на следующем этапе. Выделенные участки показаны на рисунке 6. Конкретные факторы, использованные для такого зонирования, приведены в таблице 2.
Рис. 6. Карта пространственного распределения квазиоднородных карстовых участков и условий окружающей среды
Таблица 2. Факторы, использованные для выделения квазиоднородных карстовых участков (см. рис. 6)
Выделенные участки характеризуются различной степенью карстовой опасности. Наибольшая плотность карстовых форм (21,2 шт./км²) зафиксирована в пределах участка № 6, а наименьшая (0,3 шт./км²) – на участке № 3.
Высокая концентрация карстовых форм в пределах участка № 6 обусловлена рядом взаимосвязанных факторов. К ним относится развитое горизонтальное и вертикальное расчленение рельефа на юго-западе сводовой части положительной тектонической структуры, что способствует питанию карстового водоносного горизонта. Это дополняется северо-восточным падением слоев карстующихся пород, обеспечивающим естественное дренирование в сторону долины реки Суворощь.
С целью упрощения зонирования трассы проектируемого линейного сооружения авторы разработали специальный инструмент для оперативного и точного определения границ ее участков (расположения граничных пикетов), характеризующихся разной карстовой опасностью. Результатом является сводная таблица, в которой сопоставлены участки трассы, конкретные пикеты и выделенные карстовые участки (таблица 3). Такое быстрое разделение значительно упрощает разработку противокарстовых мер, стоимость и технические характеристики которых напрямую зависят от локальных условий окружающей среды вдоль линейного сооружения.
Таблица 3. Сегменты трассы линейного сооружения, выделенные на основе условий окружающей среды
Основными морфологическими параметрами локальных карстовых проявлений являются их горизонтальные размеры, которые до сих пор традиционно измеряли вручную, особенно в случаях проявлений неправильной формы. В этом исследовании авторы использовали автоматизированный подход для измерения диаметра круглых карстовых форм, большой и малой осей вытянутых форм, а также ориентации большой оси последних.
Интерес к изучению ориентации вытянутых карстопроявлений был методологически обоснованным, так как карстовые формы часто контролируются зонами повышенной трещиноватости. Преобладающее направление ориентации карстовых форм позволит сделать вывод об общем направлении системы трещин в массиве. Например, линеаментный анализ карстовых районов Пермского края, где распространены как сульфатные (г. Кунгур, п. Полазна), так и карбонатные (Кизеловская антиклиналь, Уфимское плато) горные породы, показал, что расположение поверхностных и подземных карстовых форм приурочено к осевым зонам линеаментов. Эти зоны характеризуются повышенными трещиноватостью и водопроницаемостью, в то время как в пределах массивов слаботрещиноватых пород плотность распределения карстопроявлений минимальна [51, 52].
Для автоматизированной оценки размеров карстовых форм был разработан специальный инструмент на языке программирования Python. Данный инструмент работает по принципу «черный ящик», выполняя промежуточные расчеты в фоновом режиме (без участия пользователя) и выдавая лишь готовые результаты. Алгоритм определяет геометрический центроид каждой карстовой формы и измеряет длины лучей, проведенных от центроида к контуру с интервалом в 1° начиная с направления на север и далее по часовой стрелке. Максимальный и минимальный радиусы определяются путем последовательного сравнения длин лучей (рис. 7), после чего соответствующие значения и азимуты осей автоматически заносятся в атрибутивную таблицу. Показано, что такой автоматизированный подход существенно сокращает время обработки данных по карстопроявлениям, повышает точность измерений и обеспечивает эффективный и воспроизводимый анализ больших массивов данных.
Рис. 7. Схема работы разработанного алгоритма. Буквенные обозначения: r0 – первое измеренное значение радиуса; ri – текущее (i-е) значение радиуса; rmax – максимальный радиус карстовой формы; С – направление на север (для первого измерения); all_radii – все измеренные радиусы карстовой формы
Автоматизированная оценка морфометрических параметров карстовых форм позволила получить их детальный каталог. После выполнения зонирования на основе условий окружающей среды были построены гистограммы распределения диаметров карстопроявлений (рис. 8) и розы-диаграммы ориентации их больших осей для всей изучаемой территории и для выделенных в ее пределах карстовых участков (например, рис. 9).
Рис. 8. Распределение карстовых форм по их диаметрам: а – для всей изучаемой территории; б – для участка исследований № 6
Разработанный инструмент показал высокую точность. Это было подтверждено сопоставлением результатов его работы с данными полевых карстологических исследований. Автоматизированно вычисленные длины больших осей совпали с результатами полевых измерений на 85–97%, малых осей – на 80–100%. Отклонения от полевых данных не превышали 3 м.
Высокоинформативной характеристикой для каждого карстового участка служит распределение карстовых форм по среднему диаметру. Поскольку на размеры карстопроявлений влияет множество факторов, анализ распределения диаметров в пределах конкретного карстового участка позволил определить их значения, которые наиболее типичны (репрезентативны) для него.
Анализ графических данных показал, что средние диаметры карстовых форм на исследуемой территории главным образом попадают в диапазон 10–20 м. При этом средними диаметрами 0–10 и 20–30 м характеризовалось достаточно заметное количество карстопроявлений. Характер распределения карстовых форм по этому параметру для участка № 6 (см. рис. 8, б) в целом аналогичен таковому для всей исследуемой территории (см. рис. 8, а). Это связано с тем, что шестой участок вмещает наибольшее количество карстовых форм и служит источником эталонного набора данных для построения гистограмм распределения карстопроявлений по всей исследуемой территории. Однако сравнительный анализ выявил, что максимум кривой распределения для всей территории смещен в сторону меньших диаметров по сравнению с участком № 6 (см. рис. 8).
Использование разработанного метода автоматизированных вычислений дало множество преимуществ, включая возможность определения размеров локальных понижений рельефа с высокой точностью и ускорение обработки больших объемов данных. Анализ всех 507 карстопроявлений на исследуемой территории позволил провести их морфологическую классификацию на основе отношения их большой оси к малой. Карстовые формы с соотношением осей менее 1,2 были отнесены к круглым (их оказалось около 75%), а формы с соотношением осей 1,2 и более – к овальным (эллипсовидным).
Данная автоматизированная методика позволила включить в оценку форм поверхностного карста новый параметр – их ориентацию. Было показано, что общее направление вытянутости карстопроявлений (больших осей) может отражать преобладающее направление трещиноватости в карстовом массиве. Была подтверждена эффективность построения роз-диаграмм для визуализации пространственной ориентации карстовых форм. На рисунке 9 это проиллюстрировано для всей исследованной территории и для карстового участка № 6.
Рис. 9. Розы-диаграммы ориентации карстопроявлений: а – для всей исследуемой территории; б – для карстового участка № 6
Примечательно, что ориентация карстопроявлений на шестом участке совпадает с направлением течения реки Суворощь, которая является главным водотоком на исследуемой территории. Такая корреляция позволяет предположить, что системы трещин, влияющие на развитие карста, могут быть параллельны структурным элементам, выраженным в рельефе. Более того, падение слоев карстующихся пород на северо-восток может указывать на наличие систем трещин, ориентированных перпендикулярно направлению падения аналогично трещинам бортового отпора, часто наблюдаемым в массивах пород, слагающих склоны современных речных долин.
Целью представленного исследования была разработка автоматизированного подхода к оценке карстовой опасности для решения ряда важных задач в области инженерных изысканий и прогнозирования соответствующих рисков. Однако успешное применение этого подхода требует соблюдения нескольких ключевых условий.
Основная проблема при оценке карстовой опасности с помощью дистанционного зондирования Земли связана с разрешением анализируемых изображений, которое может затруднить обнаружение мелких карстовых форм. Эта проблема была решена за счет использования спутниковых снимков высокого разрешения, которые позволяют выявлять и картировать даже небольшие карстопроявления с точностью, достаточной для регионального анализа.
Кроме того, зонирование территории вдоль проектируемого линейного сооружения требует точной геопривязки всех закартированных карстовых форм. Поэтому критически важным является обоснованный выбор подходящей системы координат.
Распространенной методологической проблемой при зонировании по природной обстановке является возможная субъективность экспертных оценок. Чтобы минимизировать потенциальные последствия этого, был разработан и в обязательном порядке использовался набор жестких критериев зонирования, учитывающий особенности окружающей среды в пределах исследуемой территории. Применение данного объективного подхода сыграло ключевую роль в обеспечении воспроизводимости результатов зонирования, тем самым сведя к минимуму ошибки из-за влияния человеческого фактора.
Существенной проблемой при использовании автоматизированных морфометрических расчетов на основе данных ДЗЗ является необходимость надежного подтверждения достоверности полученных результатов. Данная задача была решена путем выбора исследуемой территории (Пивоваровского карстового участка), для которой уже существовал каталог карстопроявлений, составленный на основе полевых измерений. Это позволило выполнить прямое сравнение, которое продемонстрировало высокую точность работы предложенного авторами инструмента: вычисленные длины большой и малой осей совпали с полевыми данными на 85–97 и 99–100% соответственно, а отклонения не превышали 3 м.
Было показано, что внедрение разработанного подхода имеет существенные преимущества. Автоматизированное зонирование коридора будущего линейного объекта по степени близости к карстопроявлениям быстро обеспечивает визуализацию участков, характеризующихся карстовой опасностью. Своевременно выполненный анализ такого рода способствует оперативному внесению изменений в проектные решения. Например, на его основе могут быть выданы рекомендации по выбору альтернативного варианта трассы в обход наиболее карстоопасных зон.
Точность прогнозирования карстовой опасности на таких участках повышается за счет учета неоднородности всей исследуемой территории. Ее зонирование по условиям окружающей среды позволяет выделить квазиоднородные участки, в пределах которых активность развития карста относительно единообразна и карстовые формы рельефа формируются по сходным механизмам. Следовательно, оценки наиболее репрезентативных размеров карстопроявлений становятся более надежными, если они выполняются в рамках этих квазиоднородных участков.
На участках с высокой плотностью форм поверхностного карста ручное измерение их размеров как в полевых условиях, так и по снимкам является трудоемким и времязатратным процессом. Разработанный авторами инструмент предназначен для расчета размеров всех карстопроявлений, выявленных при совместном использовании дешифрирования данных ДЗЗ и результатов полевых наблюдений. Было показано, что он решает эту задачу с высокой точностью и за существенно меньшее время по сравнению с ручным способом. Помимо эффективности автоматизация обеспечивает высокую точность оценки размеров карстовых форм и позволяет быстро обрабатывать большие объемы данных.
Еще одним важным результатом данного исследования является возможность определения ориентации карстовых форм. Их преобладающая ориентация в пределах условно однородного участка может быть использована для установления доминирующего направления трещиноватости карстового массива. Понимание механизмов их корреляции необходимо, поскольку новые карстопроявления действительно чаще всего приурочены к зонам трещиноватости. И такие знания способствуют выявлению участков, характеризующихся высокой степенью карстовой опасности.
Процесс исследования поверхностного карста путем совместного использования данных ДЗЗ, результатов полевых измерений и их пространственного анализа в среде ГИС, наглядно представлен на рисунке 10. На этой блок-схеме отображены ключевые этапы работы на основе предложенного подхода – от первоначального сбора данных до финального зонирования территории по карстовой опасности.
Рис. 10. Блок-схема процесса исследования поверхностного карста
Выполненное исследование показало, что применение пользовательских инструментов в дополнение к стандартным инструментам ГИС существенно повышает качество оценки карстовой опасности для коридоров проектируемых линейных сооружений. В основе этого подхода лежит разработанный авторами алгоритм, реализованный на языке Python, для автоматизации морфометрического анализа карстовых форм в среде ГИС. Данный инструмент эффективно рассчитывает ключевые параметры, включая максимальные и минимальные горизонтальные размеры карстопроявлений, а также ориентацию их больших осей, обеспечивая высокую скорость и точность обработки больших объемов входных данных, что подтверждается результатами полевой валидации.
Интеграция данных дистанционного зондирования Земли и инструментов геоинформационных систем создает мощную основу для повышения качества и скорости оценки карстовой опасности, обеспечивая оперативное и точное зонирование территории на основе как распределения карстовых форм, так и условий окружающей среды.
Разработанная методика обладает универсальностью и может эффективно использоваться для любого карстового района с четко выраженными формами поверхностного карста. Совместное использование данных ДЗЗ и результатов полевых исследований с точной пространственной привязкой увеличивает эффективность применения данного подхода на территориях различной степени изученности, характеризующихся разными размерами карстопроявлений. Предложенный подход позволяет проводить оперативный анализ на основе фактических данных, облегчая принятие решений на этапах проектирования линейных сооружений. Это, в свою очередь, способствует оптимизации выбора их трасс и минимизации рисков, связанных с развитием карстового процесса.
—
Исследование выполнено за счет гранта Российского научного фонда № 24-27-00350, https://rscf.ru/project/24-27-00350/.
наверх
Поделиться
Поделиться
Скопировать ссылку
Скопировать ссылку 
Vk 
Telegram 
Viber 
WhatsApp 
Оформить подписку